Vad är sammansatta AI-system och AI-agenter?
Mosaic AI Agent Framework hjälper utvecklare att övervinna de unika utmaningarna med att utveckla AI-agenter och sammansatta AI-system. Lär dig vad som gör ett AI-program till ett sammansatt AI-system och en AI-agent.
Sammansatta AI-system
Sammansatta AI-system är system som hanterar AI-uppgifter genom att kombinera flera interagerande komponenter. Däremot är en AI-modell helt enkelt en statistisk modell, t.ex. en transformerare som förutsäger nästa token i text. Sammansatta AI-system är ett allt vanligare designmönster för AI-program på grund av deras prestanda och flexibilitet.
Mer information finns i Övergången från modeller till sammansatta AI-system .
Vad är AI-agenter?
Branschen definierar fortfarande AI-agenter, men det uppfattas vanligtvis som ett AI-system där modellen fattar vissa eller alla planeringsbeslut i motsats till hårdkodad logik. Dessa agenter använder stora språkmodeller (LLM) för att fatta beslut och uppnå sina mål.
Många AI-agenter är tillverkade av flera system, vilket kvalificerar dem som sammansatta AI-system.
Agency är ett kontinuum, ju mer frihet vi ger modeller för att kontrollera systemets beteende, desto mer agentliknande blir programmet.
Vad är verktyg?
AI-agenter använder verktyg för att utföra åtgärder förutom språkgenerering, till exempel för att hämta strukturerade eller ostrukturerade data, köra kod eller prata med fjärrtjänster som att skicka ett e-postmeddelande eller Slack-meddelande.
På Databricks kan du använda Unity Catalog-funktioner som verktyg, vilket möjliggör enkel identifiering, styrning och delning av verktyg. Du kan också definiera verktyg med hjälp av öppen källkod agentredigeringsbibliotek som LangChain.
I typiska agentiska arbetsflöden får agenten LLM metadata om verktyg, som används för att avgöra när och hur verktyget ska användas. Så när du definierar verktyg måste du se till att verktyget, dess parametrar och dess returvärde är väldokumenterade, så att agenten LLM bäst kan använda verktyget.
Från LLM:er till AI-agenter
För att förstå AI-agenter är det bra att överväga utvecklingen av AI-system.
- LLM:er: Ursprungligen svarade stora språkmodeller helt enkelt på frågor baserat på kunskap från en omfattande träningsdatauppsättning.
- LLMs + verktygskedjor: Sedan har utvecklare lagt till hårdkodade verktyg för att utöka LLM:s funktioner. Hämtning av utökad generering (RAG) expanderade till exempel en LLM:s kunskapsbas med anpassade dokumentationsuppsättningar, medan API-verktyg tillät LLMs att utföra uppgifter som att skapa supportärenden eller skicka e-postmeddelanden.
- AI-agenter: Nu skapar AI-agenter självständigt planer och utför uppgifter baserat på deras förståelse av problemet. AI-agenter använder fortfarande verktyg, men det är upp till dem att bestämma vilket verktyg som ska användas och när. Den viktigaste skillnaden är nivån på autonomi och beslutsfunktioner jämfört med sammansatta AI-system.
Ur utvecklingssynpunkt står AI-program, oavsett om de är enskilda LLM:er, LLM:er med verktygskedjor eller fullständiga AI-agenter, inför liknande utmaningar. Mosaic AI Agent Framework hjälper utvecklare att hantera de unika utmaningarna med att skapa och AI-program på alla nivåer av komplexitet.
Exempel på AI-agenter
Här är några exempel på AI-agenter i olika branscher:
AI/BI: AI-baserade chattrobotar och instrumentpaneler accepterar uppmaningar om naturligt språk för att utföra analyser på företagets data och dra insikter från hela livscykeln för sina data. AI/BI-agenter parsar begäranden, bestämmer vilka datakällor som ska användas och hur resultaten ska kommuniceras. AI/BI-agenter kan förbättras med tiden genom mänsklig feedback och erbjuder verktyg för att verifiera och förfina dess utdata.
Kundtjänst: AI-baserade chattrobotar, till exempel de som används av kundtjänstplattformar, interagerar med användare, förstår naturligt språk och ger relevanta svar eller utför uppgifter. Företag använder AI-chattrobotar för kundtjänst genom att svara på frågor, tillhandahålla produktinformation och hjälpa till med felsökning.
Förutsägande underhåll av tillverkning: AI-agenter kan gå längre än att bara förutsäga utrustningsfel, självständigt agera på dem genom att beställa ersättningar eller schemalägga underhåll för att minska stilleståndstiden och öka produktiviteten.
Nästa steg
Lär dig hur du utvecklar och utvärderar AI-agenter:
Självstudier om AI-agent: